随着互联网的快速发展,Twitter和微博等社交网络已经成为人们获取最新信息的主要途径。社会热点话题很多时候都是通过微博平台产生,并引起广泛关注,而社会热点信息不仅对个人发展、公司经营产生影响,而且对社会舆论的实时监控和国家舆论引导也至关重要。因此对微博平台热点话题发现的研究具有重要的现实意义。微博信息最大的特点就是内容简短、随意性大,因此单一的模型(如VSM模型、LDA模型等)在建模时对文本信息使用不充分,容易造成数据高维稀疏问题。本文针对这些问题做了相关的研究工作。本文的主要贡献和创新点如下:(1)TF-IDF算法可以在一定程度上有效地衡量文档中词语的重要性,但其理论依据并不完善。本文通过关注微博短文本内容和稀疏的特征词来分析TF-IDF算法中的TF部分,在计算权重时采取用对数函数log和开方来代替TF值,以此降低词频对权重的影响,适应微博短文本特征提取的要求。(2)本文充分挖掘社交网络中蕴含的结构信息,提出了 HVCU(Hot topic detection based on the VSM Combined UWLDA)算法。该算法在用户权重的基础上对LDA模型进行改进,提出了 UWLDA(a User Weight based LDA model)模型,并采用 VSM 和 UWLDA模型融合的策略进行热点话题发现。该算法结合两种模型各自优势,避免了单一模型的不足,解决了数据稀疏性问题,提高了热点话题发现质量。实验结果验证了所提模型和算法的有效性。(3)本文在HVCU算法的基础上,针对LDA模型在处理短文本时会产生数据高维且稀疏的问题,提出了 HVCH(Hot topic detection based on the VSM Combined HMBTM)算法。该算法基于热度矩阵对BTM模型进行改进,引入词对热度作为通过词与词之间的共有热度来挖掘词间语义关系的关键因素,加强了词对之间的联系;并将HMBTM模型与VSM模型相融合,通过优化的Single-Pass算法进行聚类获取热点话题。实验结果验证了模型融合算法在热点话题发现方面的优越性。